基于梯度修正和区域合并的分水岭分割算法

分水岭是一种有效的图像分割方法,但存在过分割现象,为此提出了一种改进的分水岭分割方法,该方法首先利用形态学算子得到梯度图像,然后利用形态学混合开闭重构算子进行梯度修正,去除了易造成过分割的区域细节和噪声,接着采用基于标记的分水岭算法进行分割,有效地克服了过分割现象.为了得到更好的分割效果,提出了基于区域一致性和边界曲率光滑性相结合的区域合并准则,对分割后的图像进行有效的合并,该方法能够很好的解决过分割现象,并且产生更有意义的分割效果.通过多组实验,并且和传统的分水岭算法进行对比,得到了满意的效果,结果表明了该方法的有效性.     

基于形态学重建和梯度分层修正的分水岭脑肿瘤分割*

针对脑部核磁共振成像(Magnetic Resonance Imaging, MRI)图像中因噪声、灰度不均匀及边界模糊不连续等造成肿瘤难以准确分割的问题,提出一种基于形态学重建和梯度分层多尺度修正的分水岭分割方法。首先对原始图像进行形态学混合开闭重建以平滑去噪,同时保留目标轮廓信息;然后根据梯度图像的三维地貌体积对其进行分层多尺度修正,自适应地确定修正所需的结构元素尺寸,对低梯度层级采用较大尺寸结构元素进行闭运算修正,消除产生过分割的非规则局部极小值,而对较高梯度层级则采用较小尺寸的结构元素,保持区域轮廓的位置不变;最后在修正基础上,运用标准分水岭变换实现图像分割。实验结果表明,该方法与标准分割的相似度指数和Jaccard指数均较高,且过分割率和欠分割率均较低,具有较好的分割效果。     

基于分水岭算法的空间目标图像分割方法

自然背景复杂的纹理特征,使得自然背景下人造目标的分割变得困难.为了从空间背景下精确分割出人造目标,基于分水岭算法,结合形态学重建和分形理论,提出了一种改进的图像分割方法.首先利用形态学开闭重建运算对原始图像的形态学梯度图像进行重建,其次在原始图像中利用人造目标和空间背景的分形特性差异对目标进行标记,最后对重建后的图像采用分水岭算法进行分割,将包含标记的区域提取出来并进行合并,从而将人造目标提取出来.仿真结果表明了方法的有效性.     

基于形态学及区域合并的分水岭图像分割算法

针对传统分水岭算法在图像分割过程中的过分割问题,提出了基于形态学标记及MSRM的分水岭改进算法。利用形态学混合开闭运算实现图像重建,采用Laplace锐化强化图像边界,其次标记目标物和背景,修正幅值图像,经分水岭变换实现图像的粗分割,然后利用MSRM区域合并法实现目标物和背景的有效分割。对比聚类分割和基于H-minima标记的分水岭算法和Otsu类间最大间距算法,改进后的算法在分割效果、算法运行时间和分割精确度和召回率上具有明显优势,与上述其他算法在平均分割时间上提升3.86 ms,2.88 ms,5.64 ms。分割交并比IOU平均值96.42%,比其他算法平均值高出12.65%,2.77%和3.07%。     

基于改进分水岭算法的图像分割

为了改善经典分水岭算法的过分割问题,该文将图像中的噪声视为过分割的直接因素,针对人脑核磁共振图像提出了一种基于预处理的改进算法。首先应用数学形态学的开闭运算对图像进行滤波,再求取其梯度,然后依据内外标记对梯度图像进行修正,最后在修正后的梯度图像上实施分水岭变换。实验结果表明,该方法和传统分水岭算法相比较,能有效地抑制过分割。     

基于形态学梯度的分水岭彩色图像分割

图像分割是从图像处理到图像分析的关键步骤之一。在改进了基于地形学距离的分水岭算法的基础上,提出了一种结合图像信息熵、形态学梯度与区域合并的图像分割方法。该算法首先利用信息熵在RGB颜色空间中对彩色图像求其形态学梯度,然后对彩色梯度图进行分水岭分割,最后对分水岭产生的过分割现象进行区域合并。通过Matlab对图像进行实验,结果证明该算法不仅能够减少分水岭算法的过分割现象,而且还提高了图像分割的精确性,同时在图像分割时具有很好的鲁棒性和适应性。     

基于分水岭修正与U-Net的肝脏图像分割算法

在利用卷积神经网络分割肝脏边界较模糊的影像数据时容易丢失位置信息,导致分割精度较低。针对该问题,提出一种基于分水岭修正与U-Net模型相结合的肝脏图像自动分割算法。利用U-Net分层学习图像特征的优势,将浅层特征与深层语义特征相融合,避免丢失目标位置等细节信息,得到肝脏初始分割结果。在此基础上,通过分水岭算法形成的区域块对肝脏初始分割结果的边界进行修正,以获得边界平滑精确的分割结果。实验结果表明,与传统的图割算法和全卷积神经网络算法相比,该算法能够实现更为精准的肝脏图像分割。     

形态学梯度重建的改进快速分水岭算法

提出一种基于形态学梯度重建的改进快速分水岭分割算法。该方法在形态学梯度图像基础上,利用形态学开闭重建运算对梯度图像进行重建;定义了分水岭的强度指标--落差,基于此对快速分水岭算法进行了改进,并将此算法结合图像重建进行了仿真实验,整个分割过程无需进行分割后的区域合并处理,降低了分割的复杂性。仿真实验证明,改进的算法无论从消除过分割还是区域轮廓定位等性能方面,均具有较好的分割效果。     

基于改进快速分水岭变换的图像区域融合

提出一种改进的快速分水岭变换算法,可在只增加很小算法复杂度的情况下获得梯度图像的多尺度信息;进而构造了一个新的区域相似性函数,该函数综合考虑了灰度差异、边界强度、融合进度、边界复杂度、纹理信息等多方面因素,并将改进分水岭变换中获得的多尺度信息用作评价边界强度的指标．实验证明,该算法有很好的鲁棒性和适应性．     

分水岭算法与其他方法融合的粘连虫卵图像分割

在分水岭算法基础上融合多种方法,试图找出适合粘连虫卵图像的有效分割方法。通过对比实验发现,最小误差阈值法、极小值合并、分水岭等多种方法的融合能够准确地将粘连虫卵图像分离,取得很好的效果。     

一种基于区域分级合并的彩色图像分割方法

在区域合并过程中,手工设置颜色相似性和边界距离的权重极大地影响了分割的精度和自动化.针对这一问题,提出了一种新的基于区域分级合并的彩色图像分割算法.该方法能够根据邻接区域的边界特点设置权重因子,从而自适应地融合区域的颜色相似性和边界距离.使用均值漂移算法对图像进行初始分割,将原图像分割为具有较好边界的同质区域;通过计算区域相似度对区域进行分级合并.多幅彩色图像的分割实验结果证明,所提算法优于传统的基于区域合并的方法.     

基于数学形态学和区域合并的医学CT图像分割*

针对传统分水岭算法分割腹部CT图像存在的过分割情况,提出了一种基于形态学优化和区域合并的分水岭分割算法。该方法先利用多尺度数学形态学方法检测出梯度图像,并用形态学重构去除细密纹理和噪声引起的局部极值,然后进行分水岭变换。为了产生有意义的分割,采用简单的区域灰度均值对变换后的图像进行有效的合并。实验结果表明,该方法能有效解决分水岭算法的过分割问题,得到较好的分割效果。     

基于K均值聚类与区域合并的彩色图像分割算法

提出一种基于K均值聚类与区域合并的彩色图像分割算法。首先,对图像运用mean shift算法进行滤波,在对图像进行平滑的同时保持图像的边缘;然后,运用K均值算法对图像在颜色空间进行聚类,得到初始分割的结果;最后,给出了一种区域合并策略,对初始分割获得的区域进行合并,得到最终的分割结果。仿真结果表明,算法的分割结果和人的主观视觉感知具有良好的一致性。     

融合快速全局K-means与区域合并的图像分割

提出一种融合快速全局K-means与区域合并的图像分割方法。该方法利用中值滤波方法对图像去噪;运用快速全局K-means算法对图像的颜色空间进行聚类分析;结合区域合并准则,对初始分割合并得到最终的分割结果。实验表明,与同类算法比较,该方法的分割结果在图像细节方面能够很好地满足人的主观视觉。     

基于分水岭和区域合并的图像分割算法*

提出一种应用分水岭与区域合并相结合的图像分割算法.本方法首先利用数学形态学分水岭算法对图像进行分割,然后对分割后的图像进行相似区域合并,以减少分水岭方法产生的过分割现象,从而得到较好的分割效果.     

梯度分层重构的彩色图像分水岭分割

目的 现实生活中的彩色图像往往因噪声、色彩不均匀、有较多弱边界等问题的存在导致难以准确分割,结合分水岭变换与形态学重构的优势,提出了一种基于同态滤波与形态学分层重构的分水岭分割算法。方法 首先提取彩色图像的梯度图,接着对该梯度图采用同态滤波修正梯度图。然后利用形态学开闭重构的方法,对滤波后的梯度图进行分层重构。根据梯度图像的累积分布函数及滤波后的梯度像素直方图的分布信息,给出了梯度分层数的计算公式,同时确定了形态学结构元素尺寸。最后对修正后的梯度图像应用标准分水岭变换实现了图像分割。结果 对不同类型的4幅彩色图像进行分割实验,采用区域一致性与差异性相结合的综合指标对分割结果进行无监督评价。这4幅图像的综合评价指标分别为0.6333、0.6656、0.6293、0.6484,均高于文献中两种现有分水岭算法的指标值：0.6295、0.6641、0.6230、0.6454与0.5861、0.5907、0.5704、0.5852,分割性能较好。结论 提出一种新的彩色图像分割算法,应用同态滤波保留了图像的弱边界,采用自适应形态学重构,抑制了分水岭变换中过分割。算法的分割结果更加接近人眼对图像的感知,无论从评价指标还是分割性能看,均表现出色。算法对噪声不敏感,鲁棒性较好,可广泛应用于计算机视觉、交通控制、生物医学等方面的目标分割。     

基于形态学多尺度修正的脑肿瘤分割

针对脑部核磁共振成像(MRI)图像中因噪声、肿瘤内部灰度不均匀、模糊及边界不连续等造成肿瘤难以准确分割的问题,提出了一种基于形态学多尺度修正的控制标记符分水岭分割方法。该方法在形态学梯度图像基础上,根据不同像素点所在特定邻域内的梯度值自适应确定结构元素的大小;然后,对图像进行形态学多尺度修正,保证修正过程中目标轮廓不发生较大偏移;最后,采用控制标记符的分水岭变换对图像进行分割。实验结果表明,该方法可对脑肿瘤进行较精确的分割。     

基于色调直方图和区域合并的彩色图像分割算法

近年来随着机器视觉、模式识别和基于内容的图像检索等技术的不断提高以及彩色图像的大量使用,图像分割特别是彩色图像的分割显示出越来越重要的地位。为此提出了一种快速有效的彩色图像分割方法,主要包括三个步骤：首先将RGB颜色空间转换成HSV空间,把图像中的像素点根据饱和度和亮度划分为奇异点和非奇异点;然后对非奇异点和奇异点分别采用基于色调和灰度直方图进行分割;最后综合这两种分割结果,采用区域合并技术进行合并。实验结果表明,该方法对彩色图像能够有效地提取目标物体,具有一定的鲁棒性。